此处开始谈论一个学习算法,它能在给定训练集时,为神经网络拟合参数。 和我们讨论的大多数学习算法一样,我们将从拟合神经网络参数的代价函数开始讲起。 重点讲解神经网络在分类问题中的应用。 假设我们有一个与上图类似的神经网络结构: 再假设我们有一个像这样的训练集: 其中有m组训练样本(x ^(i), y ^(i))。 用大写字母L来表示这个神经网络结构的总层数。(对于上图的网络结构,能够得出L = 4。) 接着用s_l来表示第l层的单元数,也就是神经元的数量,这其中不包括第L层的偏差单元。 我们将会考虑两种分类问题: 第一种是二元分类: 上面那个神经网络有四个输出单元,如果遇到二元分类问题